論文の概要: Data-driven Learning of Probabilistic Model of Binary Droplet Collision for Spray Simulation
- arxiv url: http://arxiv.org/abs/2604.13594v1
- Date: Wed, 15 Apr 2026 07:58:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-16 20:38:32.444623
- Title: Data-driven Learning of Probabilistic Model of Binary Droplet Collision for Spray Simulation
- Title（参考訳）: 噴霧シミュレーションのための二液滴衝突確率モデルのデータ駆動学習
- Authors: Weiming Xu, Tao Yang, Peng Zhang,
- Abstract要約: 二つの液滴衝突は密度の強い噴霧の中では至るところで起こる。
伝統的な決定論的モデルは、遷移的かつ連続的な振る舞いを適切に表現することはできない。
我々は光グラディエントブースティングマシンを用いた確率モデルを開発した。
- 参考スコア（独自算出の注目度）: 7.064464970161796
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Binary droplet collisions are ubiquitous in dense sprays. Traditional deterministic models cannot adequately represent transitional and stochastic behaviors of binary droplet collision. To bridge this gap, we developed a probabilistic model by using a machine learning approach, the Light Gradient-Boosting Machine (LightGBM). The model was trained on a comprehensive dataset of 33,540 experimental cases covering eight collision regimes across broad ranges of Weber number, Ohnesorge number, impact parameter, size ratio, and ambient pressure. The resulting machine learning classifier captures highly nonlinear regime boundaries with 99.2% accuracy and retains sensitivity in transitional regions. To facilitate its implementation in spray simulation, the model was translated into a probabilistic form, a multinomial logistic regression, which preserves 93.2% accuracy and maps continuous inter-regime transitions. A biased-dice sampling mechanism then converts these probabilities into definite yet stochastic outcomes. This work presents the first probabilistic, high-dimensional droplet collision model derived from experimental data, offering a physically consistent, comprehensive, and user-friendly solution for spray simulation.
- Abstract（参考訳）: 二つの液滴衝突は密度の強い噴霧の中では至るところで起こる。
従来の決定論的モデルは、二滴衝突の遷移的・確率的挙動を適切に表現することはできない。
このギャップを埋めるために、機械学習アプローチであるLight Gradient-Boosting Machine (LightGBM)を用いて確率モデルを開発した。
このモデルは、ウェバー数、オーネソージ数、衝突パラメータ、サイズ比、周囲圧力の広い範囲にわたる8つの衝突機構をカバーする33,540の総合的なデータセットで訓練された。
その結果、機械学習分類器は99.2%の精度で非常に非線形な規則境界を捕捉し、遷移領域の感度を保持する。
噴霧シミュレーションにおける実装を容易にするため、モデルは確率形式、多項ロジスティック回帰に変換され、93.2%の精度を維持し、連続的な登録間遷移をマップした。
バイアスダイスサンプリング機構は、これらの確率を定値で確率的な結果に変換する。
本研究は, 実験データから導出した最初の確率的高次元液滴衝突モデルを示し, 噴霧シミュレーションのための物理的に一貫した, 包括的で, ユーザフレンドリーなソリューションを提供する。
関連論文リスト
- Bridging the Simulation-to-Experiment Gap with Generative Models using Adversarial Distribution Alignment [51.246114581338865]
科学と工学における根本的な課題は、シミュレーションと実験のギャップである。
このギャップを埋めるデータ駆動型分散アライメントフレームワークを提案する。
本手法は,複数個の相関した観測可能値であっても,対象の観測可能分布を復元できることを実証する。
論文 参考訳（メタデータ） (2026-04-01T17:21:33Z) - Scaling and renormalization in high-dimensional regression [72.59731158970894]
リッジ回帰に関する最近の結果について統一的な視点を提示する。
我々は、物理とディープラーニングの背景を持つ読者を対象に、ランダム行列理論と自由確率の基本的なツールを使用する。
我々の結果は拡張され、初期のスケーリング法則のモデルについて統一的な視点を提供する。
論文 参考訳（メタデータ） (2024-05-01T15:59:00Z) - Towards Theoretical Understandings of Self-Consuming Generative Models [56.84592466204185]
本稿では,自己消費ループ内で生成モデルを訓練する新たな課題に取り組む。
我々は,このトレーニングが将来のモデルで学習したデータ分布に与える影響を厳格に評価するための理論的枠組みを構築した。
カーネル密度推定の結果は,混合データトレーニングがエラー伝播に与える影響など,微妙な洞察を与える。
論文 参考訳（メタデータ） (2024-02-19T02:08:09Z) - Uncertainty-aware Surrogate Models for Airfoil Flow Simulations with Denoising Diffusion Probabilistic Models [26.178192913986344]
本研究では,拡散確率モデル(DDPM)を用いて乱流シミュレーションのための不確実性を考慮した代理モデルの訓練を行う。
その結果、DDPMは解全体の分布を正確に把握し、その結果、シミュレーションの不確かさを正確に推定できることがわかった。
また,正規拡散モデルと比較して,新たな生成モデルであるフローマッチングの評価を行った。
論文 参考訳（メタデータ） (2023-12-08T19:04:17Z) - User-defined Event Sampling and Uncertainty Quantification in Diffusion
Models for Physical Dynamical Systems [49.75149094527068]
拡散モデルを用いて予測を行い,カオス力学系に対する不確かさの定量化が可能であることを示す。
本研究では,雑音レベルが低下するにつれて真の分布に収束する条件付きスコア関数の確率的近似法を開発する。
推論時に非線形ユーザ定義イベントを条件付きでサンプリングすることができ、分布の尾部からサンプリングした場合でもデータ統計と一致させることができる。
論文 参考訳（メタデータ） (2023-06-13T03:42:03Z) - Learning Multivariate CDFs and Copulas using Tensor Factorization [39.24470798045442]
データの多変量分布を学習することは、統計学と機械学習における中核的な課題である。
本研究では,多変量累積分布関数(CDF)を学習し,混合確率変数を扱えるようにすることを目的とする。
混合確率変数の合同CDFの任意のグリッドサンプリング版は、単純ベイズモデルとして普遍表現を許容することを示す。
提案モデルの性能を,回帰,サンプリング,データ計算を含むいくつかの合成および実データおよびアプリケーションで実証する。
論文 参考訳（メタデータ） (2022-10-13T16:18:46Z) - Multivariate Probabilistic Regression with Natural Gradient Boosting [63.58097881421937]
多変量予測分布の条件パラメータを非パラメトリックにモデル化したNatural Gradient Boosting (NGBoost) 手法を提案する。
提案手法は頑健で, 広範囲なチューニングを伴わず, 推定対象分布に対してモジュール構造であり, 既存の手法と比較して競争力がある。
論文 参考訳（メタデータ） (2021-06-07T17:44:49Z) - Latent Gaussian Model Boosting [0.0]
ツリーブースティングは多くのデータセットに対して優れた予測精度を示す。
シミュレーションおよび実世界のデータ実験において,既存の手法と比較して予測精度が向上した。
論文 参考訳（メタデータ） (2021-05-19T07:36:30Z) - Contextual Dropout: An Efficient Sample-Dependent Dropout Module [60.63525456640462]
ドロップアウトは、ディープニューラルネットワークのトレーニングプロセスを正規化するシンプルで効果的なモジュールとして実証されています。
単純でスケーラブルなサンプル依存型ドロップアウトモジュールとして,効率的な構造設計によるコンテキスト型ドロップアウトを提案する。
提案手法は,不確実性推定の精度と品質の両面において,ベースライン法よりも優れていた。
論文 参考訳（メタデータ） (2021-03-06T19:30:32Z) - Data-Driven Discovery of Coarse-Grained Equations [0.0]
マルチスケールモデリングとシミュレーションは、シミュレーションデータの学習がそのような発見につながる2つの分野である。
我々は、そのようなモデルの人間の発見を、2つのモードで実行できるスパース回帰に基づく機械学習戦略に置き換える。
一連の例は、方程式発見に対する我々のアプローチの正確性、堅牢性、限界を示している。
論文 参考訳（メタデータ） (2020-01-30T23:41:37Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。